UNIVERSITÉ DU QUÉBEC
MÉMOIRE PRÉSENTÉ À
L'UNIVERSITÉ DU QUÉBEC À TROIS-RIVIÈRES
COMME EXIGENCE PARTIELLE DE LA MAÎTRISE EN MATHÉMATIQUES
ET INFORMATIQUE APPLIQUÉES
PAR
SIDI ALLAL AISSAOUI
ÉTUDE D'ESTIMATEURS DES PARAMÈTRES DES
LOIS DE SKELLAM BIVARIÉES DE PREMIÈRE ET DEUXIÈME ESPÈCE
Université du Québec à Trois-Rivières
Service de la bibliothèque
Avertissement
L’auteur de ce mémoire ou de cette thèse a autorisé l’Université du Québec
à Trois-Rivières à diffuser, à des fins non lucratives, une copie de son
mémoire ou de sa thèse.
Cette diffusion n’entraîne pas une renonciation de la part de l’auteur à ses
droits de propriété intellectuelle, incluant le droit d’auteur, sur ce mémoire
ou cette thèse. Notamment, la reproduction ou la publication de la totalité
ou d’une partie importante de ce mémoire ou de cette thèse requiert son
autorisation.
Remerciements
Je souhaite adresser ici mes remerciements les plus sincères aux personnes qui m'ont soutenu en contribuant à l'élaboration de ce mémoire et à la réussite de mes études de deuxième cycle universitaire.
En particulier, je tiens à remercier sincèrement mes co-directeurs, M. Mhamed Mes-fioui, professeur titulaire au Département de mathématiques et d'informatique de l'Uni-versité du Québec à Trois-Rivières, et M. Christian Genest, professeur titulaire au Dé-partement de mathématiques et de statistique de l'Université McGill, pour leur grande disponibilité tout en long de la réalisation de ce mémoire, ainsi que pour leur aide précieuse et le temps qu'ils ont bien voulu me consacrer.
Je tiens également à remercier Mme Josée Saint-Pierre, directrice du Laboratoire de recherche sur la performance des entreprises de l'Université du Québec à Trois-Rivières, qui m'a donné l'opportunité de travailler dans son laboratoire au cours de ma dernière année d'études.
Enfin, je tiens à rendre témoignage à mes chers parents et à les remercier, ainsi que mon frère et toute ma famille, pour leur soutien indéfectible tout au long de mes études.
Mon travail a été financé en partie par des octrois accordés aux professeurs Genest et Mesfioui par le Conseil de recherches en sciences naturelles et en génie du Canada, le Fonds québécois de la recherche - Nature et technologies, l'Institut canadien des sciences statistiques, ainsi que la Chaire de recherche du Canada en modélisation de la dépendance stochastique de l'Université Mc Gill.
Table des matières
Résumé
Table des matières
1 La loi de Skellam univariée
1.1 Définition et propriétés de base . . . . . .
1.2 Autres représentations de la loi de Skellam 1.3 Estimation des paramètres . . . . . . . . .
1.3.1 La méthode des moments . . .
1.3.2 La méthode du maximum de vraisemblance
1.4 Loi asymptotique des estimateurs à vraisemblance maximale 1.5 Tests du rapport des vraisemblances maximales
2 La loi de Skellam bivariée 2.1 Définition et propriétés de base
2.2 Méthodes d'estimation des paramètres 2.2.1 La méthode des moments . . .
2.2.2 La méthode du maximum de vraisemblance
2.3 Modèles de Skellam avec véritables paramètres de dépendance 2.3.1 Modèle de Skellam bivarié de première espèce
2.3.2 Modèle de Skellam bivarié de deuxième espèce 2.3.3 Modèles à dépendance négative . . . . 2.4 Estimation des paramètres des lois BSI et BS2
2.4.1 Estimation du paramètre (J pour le modèle BSI
2.4.2 Estimation des paramètres (JI et (J2 pour le modèle BS2
11 iv 3 3 5 7 7 7 9 11 14 14 16 16 16 19 19 21 24 25
26
27 3 Contribution principale 303.1 Loi asymptotique des estimateurs des moments des paramètres du mo-dèle BSI . . . . . 31 3.2 Loi asymptotique des estimateurs des moments des paramètres du
mo-dèle BS2 . . . 34 3.3 Estimateurs à vraisemblance maximale des paramètre du modèle BSI . 40
IV
3.4 Estimateurs à vraisemblance maximale des paramètre du modèle BS2 . 42 3.5 Loi asymptotique des estimateurs du maximum de vraisemblance des
paramètres du modèle BS1 . . . . . 46 3.6 Loi asymptotique des estimateurs du maximum de vraisemblance des
paramètres du modèle BS2 . . . 47
3.7 Comparaison entre les deux approches 50
Introduction
On dit qu'une variable aléatoire obéit à une loi de Skellam si elle s'exprime comme la différence de deux variables aléatoires de Poisson indépendantes. Cette loi de probabilité est ainsi nommée en l'honneur du statisticien et biologiste John Gordon Skellam (1914-1979), qui a été parmi les premiers à l'étudier (Skellam, 1946).
La loi de Skellam trouve des applications dans divers domaines. Elle a notamment été utilisée pour modéliser la différence entre les scores de deux équipes sportives (Karlis
& Ntzoufras, 2003)
ou la différence, avant et après un traitement préventif, dans l'indice épidémiologique du cumul de nombre de dents cariées, absentes ou obturées. Hwang et coll. (2007) ont employé la loi de Skellam pour mesurer la différence d'intensité des pixels entre deux images numériques. Strackee&
van der Gon (1962) évoquent une application plus ancienne de cette loi en physique.L'objectif principal de ce mémoire est d'étudier le comportement asymptotique des estimateurs des paramètres de dépendance des lois de Skellam bivariées de première et de deuxième espèce introduites récemment par Genest
& Mesfioui (2014)
. Dans un premier temps, la loi limite des estimateurs des moments des paramètres de dépendance des lois BS1 et BS2 sera déterminée. Dans un second temps, nous aborderons l'est ima-tion de ces paramètres au moyen de la méthode du maximum de vraisemblance. Des résultats asymptotiques relatifs à ces estimateurs seront présentés et des simulations seront employées afin de comparer l'efficacité de ces deux approches d'estimation dans le cadre des lois de Skellam bivariées de première et de deuxième espèce.Ce mémoire est structuré comme suit. Au chapitre 1, nous rappellerons la définition et les principales propriétés de la loi de Skellam uni variée, qui comporte deux para-mètres. Nous verrons ensuite comment il est possible d'estimer ces paramètres par la méthode des moments et par la méthode du maximum de vraisemblance. Les résultats asymptotiques de Alzaid & Omair (2010) concernant le comportement limite gaussien de ces deux types d'estimateurs seront rappelés. Nous montrerons aussi comment il est possible d'exploiter ces résultats pour tester l'égalité des paramètres de la loi de Skellam
2
au moyen d'un test du rapport des vraisemblances maximales.
Le chapitre 2 donne une description détaillée de trois modèles de Skellam bivariés récemment proposés. Dans un premier temps, nous décrirons et critiquerons le modèle introduit par Bulla et coll. (2012). Nous entamerons ensuite une étude exhaustive de deux modèles de Skellam bivariés alternatifs, notés BS1 et BS2 , qui ont été suggérés par Genest & Mesfioui (2014). ous décrirons plusieurs propriétés de ces modèles et verrons comment il est possible d'en estimer les différents paramètres par la méthode des moments.
Les principales contributions de ce mémoire sont présentées au chapitre 3. Nous y verrons comment il est possible d'estimer les paramètres des lois BS1 et BS2 par la mé-thode du maximum de vraisemblance. Nous préciserons en outre les lois asymptotiques des estimateurs des moments et à vraisemblance maximale des paramètres de dépen-dance de ces modèles. Nous donnerons en outre des expressions explicites des variances asymptotiques de ces estimateurs, dont nous explorerons l'efficacité asymptotique rela-tive en termes numériques et graphiques.
Le mémoire se termine sur une courte conclusion et une annexe technique. Tous les travaux cités sont énumérés dans la bibliographie.
Chapitre 1
La loi de Skellam
uni variée
Ce chapitre rassemble un certain nombre de faits connus concernant la loi de Skel-lam univariée et les méthodes d'inférence qui lui sont propres. À la section LI, nous rappelons d'abord la définition et les principales propriétés de cette loi discrète à deux paramètres. Nous présentons ensuite à la section 1.3 d'autres représentations de cette loi. À la section 1.4, nous expliquons comment il est possible d'estimer les paramètres de la loi de Skellam uni variée par la méthode des moments et la méthode du maximum de vraisemblance. Nous nous intéressons plus particulièrement au comportement asympto-tique des estimateurs à vraisemblance maximale. Nous verrons en outre comment il est possible de tester l'égalité des deux paramètres de la loi de Skellam univariée au moyen de tests du rapport des vraisemblances maximales. La plupart des résultats présentés ici sont repris de l'article de Alzaid & Omair (2010).
1.1
Définition et propriétés de base
Rappelons d'abord la définition de la loi de Skellam univariée, popularisée par Skel-lam (1946) mais dont l'origine remonte en fait aux travaux de Irwin (1937).
Définition 1.1.1. Soient Y1, Y2 deux variables aléatoires de Poisson indépendantes telles que E(Yi)
=
).1 et E(Y2 )=
).2· On dit alors que la variable aléatoire X=
Yi -1'2
obéit à la loi de Skellam de paramètres ().1, ).2), notée S().1, ).2). La fonction de masse de X est donnée par l'expression suivante, valable pour tout xE Z :Chapitre 1. La loi de Skellam uni variée 4
Par définition, la loi de Skellam est symétrique, au sens où
De plus, la fonction génératrice des moments de la loi S(Àl, À2 ) est donnée de façon explicite en tout
t
E IR par(1.1 )
Cette expression permet de calculer facilement les premiers moments de la loi de Skellam univariée. En particulier, on trouve(1.2)
De plus, les coefficient d'asymétrie et d'aplatissement normalisé de la loi S(ÀI, À2 ) sont respectivement donnés par1 (32 = 3
+
À Àl
+
2La loi de Skellam possède en outre une intéressante propriété de stabilité par convo-lution, tel qu'énoncé ci-dessous.
Proposition 1.1.1. Soient Xl,"" Xn des variables aléatoire telles que Xi'" S(Àil, Ài2) pour tout i E {1, ... , n}. Alors
Démonstration. Le fait que Xi '" S(Àil , Ài2 ) pour tout i E {1, ... , n} entraîne l'existence de variables aléatoires de Poisson indépendantes, disons
Yil '"
P(Àil ) et Yi2 '" P(Àd, telles que Xi=
Yil -
Yi2' Il en résulte quen n n
LXi = LYiI - LYi2' i=l i=l i=l
Or, les variables Ylk, ... , Ynk étant mutuellement indépendantes pour k E {1, 2}, on a
Chapitre 1. La loi de Skellam univariée 5
1.2
Autres représentations de la loi de Skellam
La fonction de masse de la loi de Skellam peut aussi s'exprimer en termes de la fonction de Bessel modifiée de première espèce définie en tous x E Z et y
>
0 par(
y)
X
00(
y
2/
4
)k
Ix
(
Y
)
=
2
E
k!(x+
k)!·Prékopa (1952) montre en effet que si X rv S(À1, À2 ), alors pour tout x E Z, on a
(1.3) Cette expression est rarement utilisée en pratique, compte tenu des difficultés de calcul
qu'elle présente. En conjuguant les formules (1.1) et (1.3), on peut toutefois déduire certaines identités propres à la fonction de Bessel modifiée de première espèce.
Commençons par rappeler quelques propriétés connues de cette fonction spéciale. Pour tous À
>
0 et x E Z, on a yEZ yEZ ainsi que(1.4)
où _ 00 zkO
F1
(;
b; z)=
E
k!f(b+
k)est une fonction hypergéométrique régularisée et
r(.
) d
énote la célèbre fonction Gamma d'Euler, qui généralise la notion de factorielle.Le résultat suivant énonce d'autres relations satisfaites par la fonction de Bessel qui peuvent être facilement déduites des formules (1.1) et (1.3).
Chapitre 1. La loi de Skellam uni variée 6
et
L
x4Ix (,\)= '\
eÀ(3'\ + 1). xEZDémonstration. La première identité découle du fait que l'expression (1.3) est celle d'une fonction de probabilité. Les deux identités suivantes sont des réécritures des formules données en (1.2) pour la moyenne et la variance de la loi de Skellam univariée. La quatrième identité est un cas spécial de la troisième obtenu en posant '\1 = '\2 = '\/2. La dernière expression découle du fait que le quatrième cumulant de la loi est 3p,~. 0
Puisque la fonction de Bessel modifiée de première espèce est liée à la fonction hypergéométrique OFI par l'identité (1.4), on peut en déduire d'autres expressions pour la loi de Skellam univariée. En invoquant le fait que pour toute valeur entière de x,
on trouve facilement que
Pr(X
= x
)
(1.5)
De fait, la formule (1.5) est plus naturelle que celle fondée sur la fonction de Bessel modifée de première espèce puisqu'en procédant par simple conditionnement, on voit directement que si la variable X
= YI - Y
2 est tel que précisé à la définition 1.1.1, alorsPr(X =
x)
=
L
Pr(Y1 - Y2= x
lY2=
y
)
Pr(Y2=
y
)
yENL
Pr(Yi = x+
y) Pr(Y2 = y) yEN -ÀI-À2,\Xf
('\1'\2)k e 1 k=max(-x,O) k! (x+
k)! e-À1 - À2,\f
OFI (; X+
1; '\1'\2) en tout x E Z. De plus, on a immédiatementChapitre 1. La loi de Skellam univariée 7
en tout x E Z dans le cas particulier où À2
=
0, c'est-à-dire quand S(À 1, 0)==
P
(À 1). Cette correspondance est moins évidente lorsque l'on se réfère à la représentation fondée sur la fonction de Bessel modifiée de première espèce.1.3
Estimation des paramètres
ous allons maintenant voir comment il est possible d'estimer les paramètres de la loi de Skellam par la méthode des moments et la méthode du maximum de vraisemblance.
1.3.1
La méthode des moments
Soit Xl,"" Xn un échantillon aléatoire de la loi de S(À1' À2). Soient en outre
la moyenne et la variance de l'échantillon. La méthode des moments consiste à estimer les paramètres À1 et À2 'par les formules
Ces estimateurs des moments sont sans biais. Toutefois, ils n'ont aucun sens lorsque S~
-
IXnl
<
0, puisqu'ils conduisent alors à une estimation négative de À1 ou de À2.Cette situation peut se produire, notamment quand l'un des paramètres est très petit par rapport à l'autre, par exemple lorsque max(ÀI/ À2' À2/ Àd
2:
10 comme mentionné dans l'article de Alzaid&
Omair (2010). Afin de résoudre ce problème, on peut convenir de poser l'estimation négative égale à zéro, dans lequel cas l'autre estimation est alors égale à la valeur absolue de la moyenne.1.3.2
La méthode du maximum de vraisemblance
Considérons à nouveau un échantillon aléatoire Xl, ' .. ,Xn de la loi de Skellam S(À 1) À2). La fonction de vraisemblance est donnée par
Chapitre 1. La loi de Skellam univariée 8
Les équations à résoudre sont obtenues en dérivant son logarithme naturel par rapport
à À1 et à À2 . On utilise pour ce fait les relations
x
:x:
Ix(À)+
Ix+1 (À), 2(x+
1)À Ix+1(À)
+
Ix+2(À),valables en tout x E Z. On obtient ainsi
et
o
oÀ 2 ln{L(x1"'" X n, À1' À2)}nx
À1 n2v'~:ÀJ
Xi
(2)À 1À2)+
IXi+1 (2)À 1À2)=
-n - -+
L
----'---"---=----'---,,...:---:---'----'-2À2 )À1À2 i=l IXi (2)À 1À2) À1 n IXi+1 (2)À 1À2)= -
n+
L
---:-'---,-'-)À1À2 i=l IXi (2)À 1À2) ,expressions dans lesquelles
x
=
(Xl
+ ... +
xn)
/
n.
Les estimateurs à vraisemblancemaximale ~lEMV et ~2EMV peuvent donc être obtenus en résolvant les deux équations
non linéaires suivantes:
=n
(1.6)
et
(1.7)
En multipliant l'équation
(1.6)
par ~lEMV et l'équation(1.7)
par ~2EMV, on obtient,Chapitre 1. La loi de Skellam uni variée 9
ou encore
~lEMV
=
~2EMV
+
Xn
.
(1.8) Puis, en substituant l'équation (1.8) dans l'équation (1.7), on trouvePar conséquent, on peut déterminer ~2EMV en résolvant l'équation non linéaire (1.9)
et, par suite, calculer ~lEMV en utilisant l'équation (1.8). En faisant appel à l'identité
valide en tout x E Z, on peut aussi déduire l'estimation à vraisemblance maximale
À2EMV de la formule (1.5) en résolvant l'équation non linéaire ci-dessous:
1.4 Loi asymptotique des estimateurs
à
vraisem-blance maximale
Alzaid & Omair (2010) ont montré que quand n -7 00, la loi de l'estimateur
~n = (~lEMV, ~2EMV) du couple de paramètres À = (À1, À2 ) est approximativement gaussienne, d'espérance À et de matrice de covariance 1;1
ln
,
où 1;.. est la matrice d'in-formation de Fisher dont l'élément(j
,
k) est donné en tous j, k E {1, 2} parDe façon plus formelle, ces auteurs ont montré que lorsque n -7 00, le vecteur
vin
(~nÀ)
converge faiblement vers la loiN
2 (0,1-1(À)).
Sous des conditions de régularité faibles, la matrice d'information observée 1(~) est un estimateur convergent de l
(À)
.
Cet estimateur de type "plug-in" , viz.Chapitre 1. La loi de Skellam uni variée 10
peut être déduit comme suit au moyen de la formule (1.5) :
8
2- 8Àf ln L L),1=.À 1
nX
n \2~
{ oFH; Xi+
1; )..IEMV)..2EMV )oFH; Xi+
3; )..IEMV)..2EMV)~2
+
/\IEMV L - . . ~ ~À 1EMV i=1 OFI (, Xi
+
1, À 1EMV À2EMV )et
8
2- 8À§ ln L IÀ2=.À2
_
O~1
(; Xi+
2;~IEMV ~2EMV
)2 } ,OFl(; Xi
+
1; À1EMVÀ2EMV)2_ \2
~
{ oFl(; Xi+
1; )..IEMV)..2EMV )OFI (; Xi+
3; )..IEMV)..2EMV)/\IEMV L - ~ ~
i=1 OFI (; Xi
+
1; À 1EMV À 2EMV )121 ()..)
8
2...,----...,---- ln 8À
LI
A
A
18À2 À1=À1,À2=À2
_
O~1
(; Xi+
2;~IEMV ~2EMV
)2
}
,
OFI (; Xi+
1; À 1EMV À 2EMV)2
_
t
O~I(;
Xi+
2;~IEMV~2EMV)
i=1 OFI (; Xi+
1; ÀIEMVÀ2EMV)\ \
~
{ oFl(; Xi+ 1
; )..IEMV)..2EMV )OFl(; Xi+
3; )..IEMV)..2EMV)-/\IEMV/\2EMV L - ~ ~
i=1 OFI (; Xi
+
1; À1EMV À2EMV )_
O~1
(; Xi+
2;~IEMV ~2EMV
)2 } . OFI (; Xi+
1; À 1EMV À 2EMV )2Au vu de ces résultats asymptotiques, on peut donc obtenir des intervalles de confiance approximatifs pour À 1 et À 2 . Si Za/2
=
p
-
l(a
/
2)
dénote le quantile d'ordrea/2
de la loi normale centrée réduite, les intervalles ayant pour bornes~ III
À 2
±
Za/2 l lJ2
11 22 - 12Chapitre 1. La loi de Skellam univariée 11
1.5
Tests du rapport des vraisemblances maximales
Dans leur article, Alzaid
&
Omair (2010) expliquent aussi comment il est possiblede confronter les hypothèses
H
o
:
Les données sont issues de la loiS
(>', >'), Hl : Les données sont issues de la loi S(>'l, >'2)au moyen d'un test statistique.
Étant donné un échantillon aléatoire
X
l
,
'
.
.
,
X
n de même loi que X,
la statistiquedu test consiste à évaluer le rapport des vraisemblances maximales, à savoir
A
=
L
(X1 , ... ,X
n ,),) nL
(
X
1 , ...,
X
n , ),1, ),2)'où L(X1,' .. ,Xn, ),n) est la probabilité de l'échantillon calculée sous
H
o
en supposant que>. est égal à l'estimateur du maximum de vraisemblance, tandis que L(X1"'" Xn, ),1, ),2)
représente la probabilité de l'échantillon calculée sous Hl au moyen des estimations à vraisemblance maximale de >'1 et >'2. Notons que sous
H
o
,
la vraisemblance est n L(X1' ... ,Xn, >')=
e
-
2n>. >.nxil
o
..F
\ (
;
Xi+
1; >.2), i=l où X=
(Xl
+ ..
.
+
xn)/n.
La log-vraisemblance est clone de la forme n ln{ L(X1' ... ,Xn, >')}=
- 2n>.+
nx ln(>')+
I)n{o..F\ (; Xi + 1; >.2)}. i=lL'estimation à vraisemblance maximale), de >. est obtenue en résolvant l'équation non linéaire
Par conséquent,
En revanche sous Hl, la vraisemblance maximale est donnée par
n
L(X1, ... ,Xn,),1,),2)
=
e-
n.\1-n.\2),
~
x
il
o
..F
\ (
;
Xi+
1;).1),2)' i=lChapitre 1. La loi de Skellam uni variée 12
Il s'ensuit que la statistique du test est
- 2In(An)
=
-2 [ - 2n>-+
nXn ln(>-)+
t
In{o.F\ (; Xi+
1; >-2)}i=l
+
n>-l+
n>-2 - nXn In(>-l) -t
In{oFH; Xi+
1; >-1>-2)}].i=l
Wilks (1938) a étudié le comportement asymptotique de la statistique -2In(An). Il a montré que cette dernière converge vers une loi du khi-deux à un degré de liberté lorsque n tend vers l'infini. On rejette donc Ho au seuil a si -2In(An)
>
XÎ-a,l.Lorsque l'on veut vérifier si le modèle de Poisson est plus approprié que le mo-dèle de Skellam, on peut construire d'une manière semblable un test du rapport des vraisemblances maximales permettant de confronter les hypothèses
Ho : Les données sont issues de la loi S(À,
0),
à savoir une P(À),Hl : Les données sont tirées de S(À 1, À2).
Supposons pour ce faire que les valeurs prises par Xl, ... , X n soient toutes entières
et non négatives. La statistique du test est alors donnée par An
=
L(X1, ... ,X~, >-~
,L(X1, ... , X n, À1' À2)
où L(X1, ... ,Xn, >-) représente la probabilité de l'échantillon sous Ho calculée en utilisant
l'estimation du maximum de vraisemblance de À et L(X1, ... , Xn, >-1, >-2) représente la probabilité de l'échantillon sous Hl calculée aux valeurs estimées de À1 et À2 obtenues
par la méthode du maximum de vraisemblance. Sous Ho, >- = fi = (Xl
+ ... +
xn)/n
puisque les données proviennent d'une loi de Poisson. Ainsi, n L(X1, ... ,Xn, >-)
=
e-2nx finx /II
Xi! i=l Sous Hl, on a toutefois n L(X1, ... , Xn'>-1'>-2)=
e- n'xl-n'x2>-~
x
II
oFH; Xi+
1; >-1>-2). i=lPar conséquent, la statistique du test est
- 21n(An)
=
-2 [ - 2nXn+
nXn In(Xn) -~
In(Xi!)+
n>-l+
n>-2 - nXn In(>-l) -t
In{o.F\ (; Xi+
1;>-1>-2))].Chapitre 1. La loi de Skellam uni variée 13
Pour n assez grand, la loi de la statistique -2ln(An ) s'approche d'une khi-deux à
Chapitre
2
La loi de Skellam bivariée
Quelques généralisations possibles de la loi de Skellam uni variée ont récemment été proposées. Ce chapitre donne un compte rendu de ces modèles. Nous commençons par étudier le modèle de Skellam bivarié introduit dans l'article de Bulla et coll. (2012). Après une brève critique de ce modèle, nous examinons deux modèles de Skellam a l-ternatifs récemment proposés par Genest & Mesfioui (2014). Nous présentons ensuite plusieurs propriétés de ces lois de Skellam bivariées dites de première et de deuxième espèce. En particulier, nous montrons que ces modèles sont stables par convolution et monotones par rapport aux paramètres de dépendance. Finalement, nous exposons une façon d'estimer les paramètres de ces modèles par la méthode des moments.
2.1
Définition et propriétés de base
Nous commençons par définir la version de la loi de Skellam bivarié définie dans l'article de Bulla et coll. (2012).
Définition 2.1.1. Soient '\0
2:
0, '\12:
0 et '\22:
O. On dit que le couple aléatoire(Xl,
X2 ) suit une loi de Skellam bivariée, notée 8S(,\o, '\1, '\2), si et seulement sioù Yo, YI et Y2 sont trois variables aléatoires de Poisson mutuellement indépendantes
Chapitre 2. La loi de Skellam bivariée
La fonction de masse de (Xl, X 2) est donnée en tout (Xl, X2) E 'Z} par
Pr(Xl
=
Xl,X2=
X2)=
e-(>']+>'2+>'O)À~]À~2
f
(
(~)
:tÀ
2)k
k)'k"k=max(0,-X],-X2) Xl
+
.
X2+ .
.
15Il est clair que les variables aléatoires marginales du couple (Xl, X2 ) suivent des
lois de Skellam univariées, à savoir Xl f'o.J S (À l , Ào) et X 2 f'o.J S (À2, Ào). Puisque le paramètre Ào affecte les lois marginales Xl et X 2, il ne peut pas être considéré comme
un véritable paramètre de dépendance. Nous allons voir plus loin que les paramètres de dépendance des lois de Skellam bivariées définies dans le travail de Genest & Mesfioui (2014) n'affectent pas les marges.
Voici quelques résultats liés au modèle de Skellam bivarié de Bulla et coll. (2012). Proposition 2.1.1. Soit (Xl, X 2) un couple de loi BS (Ào, Àl' À2) pour certains choix
de paramètres Ào
2::
0, Àl2::
0, À22::
O. a) On a E(Xl, X 2)=
(À
l - Ào, À2·- Ào) et ( Àl+
Ào ÀO ) cov(Xl, X2 )=
L;=
'0 /\ À2+
Ào .b) Le coefficient de corrélation du couple (Xl, X 2) est donné par Ào
OOIT(~,~)=
.
J(Àl
+
Ào) (À2+
Ào)c)
La fonction caractéristique de (Xl, X 2) est donnée en tout (t l , t2) E 'Z} par A. ( ) _ >,](eit]-]) >'2(eit2-]) >'o(e it] it2 -1)'f'(X],X2) t l , t2 - e e e .
En utilisant la fonction caractéristique de (Xl, X 2) f'o.J BS(Ào, Àl' À2), la fonction de masse de (Xl, X 2) peut être exprimée en tout (Xl, X2) E 'l} par
Pr(Xl
=
Xl, X 2=
X2)=
(2:)2
[
:
J
~
<P(X],X2) (t l , t2) e-kx]t]e-kx2t2 dtl dt2· En particulier, on a l'identité suivante:La proposition suivante, due à Bulla et coll. (2012), donne une approximation de la
Chapitre 2. La loi de Skellam bivariée
16
Proposition 2.1.2. Soient
>'0
~ 0,>'1
~ 0 et>'2
~ O. Pour >'1 et>'2
assez grand, on a l'approximation suivante:2.2
Méthodes d
'
estimation des paramètres
Cette section est consacrée à l'estimation des paramètres de la loi 8S(>'o,
>'1, >'2)
par la méthode des moments et celle du maximum de vraisemblance. Ces procédures ont été développées dans l'article de Bulla et coll. (2012).2.2.1
La méthode
des
moments
et
Soit (X11 , X12 ), ... , (Xn1, Xn2 ) un échantillon aléatoire de loi 8S(>'o,
>'1
,
>'2)'
Posons_ 1 n Xn2
=
-
L:Xi2n i=l
La méthode des moments consiste à trouver les valeurs des paramètres pour les-quelles les moments théoriques sont égaux aux moments échantillonnaux. Au vu de la proposition 2.1.1, on trouve
~o
=
Sn12,~1
=
X
n1+
~o, ~2
=
X
n2+
~o.
Notons que l'estimation par la méthode des moments de
>'0
n'existe pas si Sn12<
O. Eneffet, ce modèle induit toujours une dépendance positive entre les variables.
Chapitre 2. La loi de Skellam bivariée 17
Afin de maximiser la vraisemblance, on doit déterminer les points critiques de cette
fonction. Le résultat suivant est utile à cette fin. Proposition 2.2.1. Pour tout (Xl, X2) E 'l}, on a
8
Xl ~8)'1 C(>" Xl, X2)
=
ÀI C(À, Xl, X2)+
ÀI C(À, X+
1, X2+
1),et
Étant donné des observations (Xll,X12 )
=
(Xll,XI2), ... ,(Xnl,Xn2 )=
(X n l,Xn 2)du modèle de Bulla et coll. (2012), la fonction de vraisemblance du paramètre À
=
(Ào, ÀI' À2 ) est donnée par
n n
L( ')
A --
il
P r(X -
l - XiI,X
2 --
Xi2)
-
- e -n(ÀO+Àl+À2)il
C('
A, Xil, Xi2)
.i=l i=l
Lorsque l'échantillon est de grande taille, cette fonction de vraisemblance peut
prendre des valeurs extrêmement grandes ou petites : elle prend souvent des valeurs
qui sont bien au-delà des possibilités des nombres à virgule flottante que les ordina-teurs manipulent. C'est pour cette raison, entre autres, qu'il est d'usage de maximiser
le logarithme de la fonction de vraisemblance plutôt que la fonction de vraisemblance
elle-même. On obtient évidemment la même solution en procédant ainsi, car le
loga-rithme de la fonction de vraisemblance f(À)
=
ln{L(À)} est une fonction monotonecroissante de L(À). Par conséquent, si la fonction f(À) est maximisée en ~, il en va de
même pour L(À).
Pour j E
{O
,
1, 2}, la dérivée partielle de la log-vraisemblance par rapport à Àj est donnée parEn invoquant la proposition 2.2.1, on trouve
8
8À I ln{ L(À)} >J8 ln{L(À)} uÀ2Chapitre 2. La loi de Skellam bivariée 18
et
~
In{L(À)}=
-n +t
G(À,
XiI
+.1, Xi2 + 1) .éJÀo
i=lG(À,
Xil, Xi2)L'estimateur à vraisemblance maximale ~n
=
(~nO, ~nl, ~n2) de(Ào,
Àl'À2)
est donc la solution du système d'équations suivant:(2.1)
Au vu de la troisième équation, on conclut que
Si on tient compte de ces identités dans le système
(2
.
1),
on voit que le problème est entièrement résolu dans la mesure où l'on peut trouver numériquement la valeur de ~nO telle quet
G{(~no,~no ~Xnl)no ~Xn2)
,
X
i
l +
1
,
X
i2+
1
}
= n.
i=l
G{(ÀnO,ÀnO +Xnl,Ào +Xn2),X
i
l,Xi2}
Le résultat suivant est démontré par Bulla et coll.
(2012).
Proposition 2.2.2. Quand n -+ 00,
Vn
(~n-À) converge en loi vers uneN3 (0,1-1(À))
,
où l (À) est la matrice d'information de Fisher 3 x 3 dont l'élément
(j,
k) est donné entous j, k E {l, 2, 3} par
Cette matrice peut être estimée de façon convergente par l (~), ce qui permet de construire des intervalles de confiance et des tests d'hypothèses.
Chapitre 2. La loi de Skellam bivariée
19
2.3
Modèles de Skellam avec véritables paramètres
de dépendance
Comme on l'a vu plus haut, le modèle de Skellam bivarié proposé par Bulla et coll. (2012) présente un problème conceptuel. En effet, le paramètre de dépendance Ào affecte les lois marginales. Idéalement, il est préférable qu'il n'en soit pas ainsi. Pour éviter ce
problème, Genest & Mesfioui (2014) proposent deux modèles de Skellam bivariés qui
exploitent la notion de choc commun. Nous commençons par présenter le modèle de Skellam à un seul paramètre de dépendance.
2.3.1
Modèle de Skellam bivarié de première
espèce
Soient
>-11
,
À12'>-21
et À22 des paramètres positifs. Posons À1=
min( À11' À21 )>
o.
Pour tout 0 E [0, À1], considérons des variables aléatoires Yo,Yi
etY2
mutuellementindépendantes telles que
Par convention, Yo
==
0 lorsque 0=
O. Soient G10 et G20 les fonctions de répartition respectives de YI et Y2 .Définition 2.3.1. On dit que le couple aléatoire (X1,X2) obéit à la loi de Skellam
bivariée de première espèce, que l'on note
BS
1(0;
À11' À12 ; À21' À22 ), si et seulement siotons que dans ce modèle, le paramètre
0
n'affecte pas les lois marginales de Xl et X2 . Ce paramètre peut donc être considéré comme un indice de dépendance, d'autant plus que, pour tous Xl, X2 E IR,e-OOk HO(X1' X2)
=
Pr(X1 ~ Xl, X 2 ~ X2)=
L
GlO(XI - k)G20 (X2 - k)-k'-kEN .
Chapitre 2. La loi de Skellam bivariée 20
Démonstration. Désignons par Fo la fonction de répartition de la loi de Poisson de paramètre À - (J, où À
> 0
et (J E(
D
,
À). Il est facile de voir que pour tout k EN,Il en résulte que pour tous x E Il et j E {l, 2},
Par conséquent, pour tout (Xl, X2) E 'l},
Après simplification, on trouve
e-°(Jk
L
9l0(Xl - k)G20 (X2 - k) - kl kEN . e-O(Jk+
L
GlO(Xl - k)920(X2 - k) - kl kEN . e-°(Jk+
L
G18 (XI - k - 1)G2o (X2 - k - 1) - kl ~N . e-O(Jk-
L
GlO(XI - k)G20 (X2 - k) - kl . kEN .Il s'ensuit que la fonction (J H Ho (XI, X2) est croissante.
o
À l'instar de la loi de Skellam univarié, ce modèle est stable par convolution. C'est là l'objet du résultat suivant, dont la démonstration est omise, puisqu'elle est en tout point semblable à celle de la proposition 1.1.1.
Proposition 2.3.2. Soient Xl, ... ,Xn des variables aléatoires mutuellement indé pen-dantes telles que, pour tout i E
{l
,
...
,
n}, Xi ,..., BS 1 ((Ji; Ài11' Ài12; Ài21' Ài22). AlorsLe résultat suivant donne une expression explicite pour la fonction génératrice de probabilité du modèle BSl((J; À11' À12; À2l' À22 ). Cette formule peut être utilisée pour calculer les moments mixtes de ce modèle.
Chapitre 2. La loi de Skellam bivariée 21
Proposition 2.3.3. La fonction génératrice de probabilité de la loi de Skellam bivariée
BSI(e;Àll,ÀI2,À2I,À22) est donnée, en tout (tl,t2) E (0,00)2, par
E(t~lt:2)
=
exp {(À ll - e)(tl - 1) + ÀI2(1/tl -l)}
x exp {(À21 - e)(t2 - 1)+À22 (1/t2 -
l)}
x exp {e(tlt 2 -l)}.
Démonstration. Par définition, Xl
=
YI
+ Yo et X2=
Y2 + Yo, où Yo, YI, Y2 sont desvariables aléatoires mutuellement indépendantes telles que Yo rv p(e), YI rv S(À ll -e, À12) et
Y2
rv S(À21 - e, À22 ). Par conséquent, on apour tous t l ,
t
2 E (0, (0). En utilisant le fait que pour j E{l
,
2}, lj s'exprime comme ladifférence de deux variables aléatoires de Poisson indépendantes de paramètres Àjl -
e
et Àj2, on déduit en outre queE(t?)
=
exp{(Àjl - e)(tj - 1) + Àj2(1/tj -l)}.
Le résultat découle du fait que E{(t
l
t 2)Yo}
=
exp{e(tlt2 -l)}.
o
On a entre autres E(Xj )
=
Àjl - Àj2 et var(Xj )=
Àjl + Àj2 pour j E {l, 2}. De plus,e
ÀIcorr(XI,X2)
=
::;;
.
J(Àll + ÀI2 )(À21 + À22 ) J(Àll + ÀI2 )(À21 + À22 )
Notons que la plus grande valeur possible de corr(XI , X2 ) se produit dans le cas
particulier où Xl et X 2 sont de même loi, c'est-à-dire quand Àll
=
À21=
ÀI et Àl2=
À22=
À2. Dans ce cas particulier, on trouveÀI
corr(XI, X2 )
=
À À ' l+
2qui est strictement inférieur à 1. En particulier, corr(XI , X2 ) = 1/2 si ÀI = À2.
2.3.2
Modèle de Skellam bivarié de deuxième espèce
Soient Àll, Àl2, À21 et À22 des paramètres positifs. Posons ÀI
=
min(Àll' À21 )>
o.
Pour tout e E [0, ÀI ], considérons des variables aléatoires Yo, YI et Y2 mutuellement indépendantes telles que
Chapitre 2. La loi de Skellam bivariée 22
Définition 2.3.2. On dit que le couple aléatoire (Xl, X 2) obéit à une loi de Skellam bivariée de deuxième espèce, notée BS2(Ol, O2; ),11, ),12; ),21, ),22), si et seulement si
Dans cette construction, le vecteur de paramètre 8
=
(01, O2 ) n'affecte pas les lois marginales de Xl et X 2, respectivement notées FI et F2. Lorsque O2=
0, on voit queYo suit une loi de Poisson d'espérance 01 , tandis que
Yi
rv S(),11 - 0, ),12) etY2
rvS(),21 - 0, ),22). Par conséquent,
La fonction de répartition de la loi de Skellam bivariée de deuxième espèce est donnée, en tout (X1,X2) E 7i}, par
Pr(X1 ~ Xl, X 2 ~ X2)
=
He(Xl, X2)=
L
G18 (XI - k)G2e (X2 - k)ge(k), kEZoù ge représente la fonction de masse de YQ. La proposition suivante montre la croissance de la fonction 8 I---t He en ses deux arguments, où la comparaison entre vecteurs se fait
composante par composante.
Démonstration. En procédant de la même manière que pour la démonstration de la proposition 2.3.1, on voit que pour tout X E Z,
et que, pour j
E
{1, 2},
Il s'ensuit que pour tout (XI, X2) E Z2, on a
L
g18(Xl - k)G2e (X2 - k)ge(k)kEZ
+
L
G18(XI - k)g2e(X2 - k)ge(k)kEZ
+
L
G18(XI - k)G2e (X2 - k)ge(k - 1)kEZ
+
L
G18(XI - khe(X2 - k)ge(k).Chapitre 2. La loi de Skellam bivariée
Au terme de quelques calculs algébriques simples, on trouve
[)
[)() He(Xl, X2)
=
L
g18(Xl - k)g2e(X2 - k)ge(k)2:
O.1 kE'iZ
23
De même, [)He(Xl, X2)/[)()2
2:
O. On en conclut que la fonction 8 r-+ He(Xl, X2) est bel et bien croissante en ses deux arguments, tel qu'annoncé. 0Étant donné que Y l'V 5(0,0) correspond au cas où Y
==
0, on a, pour tous Xl, X2 E lR, H(O,O)(Xl,X2)=
Fl (Xl)F2(X2).Ainsi la proposition 2.3.4 entraîne que quel que soit 8 E [0, )'1] x [0, À2 ], He est en
dépendance positive par quadrant (DPQ). Toutefois, il est possible de construire une
généralisation du modèle qui permette de rendre compte d'une éventuelle dépendance négative. Cette question fera l'objet de la section 2.3.3.
Les résultats suivants sont des généralisations des propositions 2.3.2 et 2.3.3. Proposition 2.3.5. Soient Xl, ... , Xn des variables aléatoires mutuellement
indépen-dants telles que Xi l'V B52( ()il, ()i2; Àill, Ài12, Ài21, Ài22 ) pour tout i E .{ 1, ... , n}. Alors
Proposition 2.3.6. La fonction génératrice de probabilité de la loi de Skellam bivariée B52(()1, ()2; Àll, À12, À2l' À22 ) est donnée, en tout (t;, t2) E
(0,
(0)2, parE(tflt~2)
=
exp{(Àll - ()l)(t l - 1)+
(À 12 - ()2)(1/t l -l)}
x exp{(À2l -Bd
+(À22 - ()2)(1/t2 - l)} x exp[()1(tlt2 - 1)
+
()2{1/(t lt2) - l}]. Démonstration. Par définition, on sait que l'on peut écrire Xl=
Yi
+
Yo et X 2=
Y2+
Yo en termes de variables aléatoires mutuellement indépendantesYo
,
YI, Y2 telles queOr pour j E {l, 2},
lj
est la différence de deux variables aléatoires indépendantes ayantdes lois de Poisson de paramètres respectifs Àjl - ()l et Àj2 - ()2, ce qui permet de déduire que pour tout
(t
l,t
2 )E (0,00)2,
E(t?)
=
exp{(Àjl - ()l)(t j -1)
+
(Àj2 - ()2)(1/t j -l)}.
n
s'ensuit que pour tout(t
l ,t
2 ) E(0,
(0)2,E{(t
1
t2)YO}
=
exp[()1(tlt2 - 1)+
()2{1/(t lt2) - l}],Chapitre 2. La loi de Skellam bivariée 24
En particulier, E(Xj ) = Àj1 - Àj2 et var(Xj ) = Àj1
+
Àj2 pour j E{l
,
2}. On peut voir en outre que01
+
O2 À1+
À2corr(X1, X2 )
=
<
- - - , = = = = = = = =J(À11
+
À 12 )(À21+
À22 ) J(À11+
À 12 )(À21+
À22 )La plage de valeurs pour corr(X1, X2 ) est donc plus grande que celle du premier modèle.
En fait, corr(X1 , X 2)
=
1 est atteint lorsque Xl et X 2 sont identiquement distribuées, c'est-à-dire lorsque À 11=
À21=
À 1 et À 12=
À22=
À2. En effet, si 01 -t À 1 et O2 -t À2,on a YI
= Y
2=
0 et Xl=
X 2=
Yo presque sûrement. Dans ce cas, les variables Xl etX2 sont comonotones.
2.3.3
Modèles à dépendance négative
Les deux modèles de Skellam bivariés décrits dans la section précédente peuvent être facilement adaptés pour tenir compte d'une éventuelle dépendance négative entre
Xl et X 2. Ceci peut être réalisé en exprimant Xl et X 2 comme suit
(2.2)
en termes de variables aléatoires mutuellement indépendantes Yo, YI, Y2 telles que
Yi '"
5(À 11 - 01, À 12 - O2 ), Y2 '" 5(À 21 - O2 , À 22 - Od,et Yo '" 5(01, O2 ) avec 01
:S
1'1:1 = min(À11, À22 ) et O2:S
1'1:2 = min(À12, À21 ).Notons par G 1e et G 2e les fonctions de répartition respectives de YI et Y2 . Soit ge
la fonction de masse de la variable aléatoire Yo. La loi jointe de la paire (Xl, X 2) est
donnée en tous Xl, X2 E IR par 00
He (X1, X2)
=
L
G 1e (X1 - k)G2e (X2+
k)ge(k).k=-oo
Il est clair que ce modèle engendre une dépendance négative entre les variables Xl et
X2 . En effet, par construction
(2.3)
Remarquons que pour ce modèle, les paramètres À21 et À22 n'apparaissent pas dans le même ordre que dans la définition du modèle initial décrit par la construction 2.3.2. Ceci vient du fait que -Y2 '" 5(À 22 - 01, À21 - O2 ). En utilisant la proposition 2.3.4,
on voit que (Xl, - X2) est DPQ et donc que la famille des couples aléatoires (Xl, X 2)
obéit à la propriété de dépendance négative par quadrant. De plus, cette famille est décroissante par rapport au paramètre de dépendance 0, tel qu'énoncé ci-dessous.
Chapitre 2. La loi de Skellam bivariée 25
Ce modèle permet aux variables aléatoires Xl et -X2 de décroître l'une en fonction de l'autre quand elles sont identiquement distribuées, c'est-à-dire lorsque >'u
=
>'22 et >'12 = >'21. Dans ce cas, la plus faible dépendance possible est obtenue en prenant ()1 = >'u = >'22 et ()2 = >'12 = >'21· Il en résulte que Xl = -X2 =Yo
presque sûrement;en d'autres mots, Xl et X 2 sont alors comonotones.
Grâce à la relation
(
2.3
),
on peut montrer que la fonction génératrice de probabilité du couple aléatoire(Xl, X 2)
définie par (2.2) est donnée en tout(t 1,
t2)
E (0, (0)2, parE{ ti
1
tr2
(tI/t2)YO}
exp{(>.u -
()1)(t1
-
1)+
(>'12 -()2)(1
/
t 1 -
1)} x exp{(>'21 -()1)(t2
-
1)+
(>'22 -()2)(1/t2 -
1)}x exp{()1(tI/t2 - 1) +
()2(t2/t1
-
1)}. En particulier,E(X
j )=
>'j1 - >'j2, var(Xj )=
>'j1+
>'j2 pour j E{l
,
2}
et()1
+
()2corr(X1, X2 )
=
-
.
)(>.u+
>'12)(>'21+
>'22)2.4 Estimation des paramètres des lois
BS
1et
BS
2Soit (Xu ,
X 12 ),
. ..
,
(Xn1
,
X n2 )
un échantillon aléatoire de la loi de Skellam bivariée de première ou de deuxième espèce. Comment peut-on en estimer les paramètres?Comme Romani (1956) l'a montré, les paramètres des lois marginales 5(>'u, >'12) et 5(>'21, >'22) peuvent être estimés par la méthode des moments en résolvant les équations suivantes:
et
Dans ces équations,
_ 1 n
X n1
=
-
LX
i
I
,
n i=l _ 1 nX n2
= -
LX
i
2
n i=lChapitre 2. La loi de Skellam bivariée et 2 1 ~ - 2 SnI
=
- - 1L)X
i1 -X
n1 ) , n - i=l Il en résulte que~n11
~n21
S~l +
X
n1 2S~2
+
X
n2 2 26 2 1 ~ - 2 Sn2= - -
L..,(X
i2 -X
n2 ) . n - 1 i=l(2
.
4)
La loi des grands nombres assure la convergence de ces estimateurs. Notons que
pour que ces estimateurs soient positifs, il faut que S~j
2:
IX
nj 1 pour tout j E{l
,
2}. Sicette condition n'est pas vérifiée, on peut procéder comme Alzaid
&
Omair (2010) enréduisant l'estimation négative à zéro, et en posant l'autre égale à
IX
nj1
·
Il reste donc à trouver une façon d'estimer les paramètres de dépendance des deux
modèles. C'est la question qui sera abordée dans les deux prochaines sections, au moyen
de la méthode des moments. Nous commençons par traiter le cas du modèle de Skellam
bivarié de première espèce.
2.4.1
Estimation du paramètre
e
pour le modèle
ES
1Étant donné un échantillon aléatoire
(X
11 ,X
12 ), . .. ,(X
n1,X
n2 ) provenant du modèleBS1 ((J; }.11, }.12; }.21, }.22), l'estimateur des moments du paramètre de dépendance (J est donné par
~ 1 n _ _
(Jn
=
Sn12= - -
L:(X
i1 -X
n1 )(X
i2 -X
n2 ).n - 1 i=l
(2.5)
Ceci découle du fait que la covariance du modèle BS1 ((J; }.11, }.12; }.21, }.22) est exactement
(J. Ici encore, la loi des grands nombres nous assure que cet estimateur est convergent.
Lorsque la taille de l'échantillon est faible, il existe toutefois une probabilité non nulle
que Sn12 ~ 0; dans ce cas, on peut poser
ê
n=
O.Dans la pratique, une valeur négative de Sn12 suggère de considérer le modèle de
dépendance négative décrit par (2.2). Comme nous avons indiqué à la section 2.3.3, cela
revient à supposer que (Xl, -X2 ) rv BS1((J; }.11, }.12; }.22, }.21). Noter que cela n'affecte
pas les estimations des paramètres marginaux donnés par
(
2.4
)
.
Comme cov(X1, - X2 )=
(J, -Sn12>
0 sera alors un estimateur convergent de (J.Chapitre 2. La loi de Skellam bivariée 27
2.4.2
Estimation des paramètres
8
1et
8
2pour le modèle
BS
2Lorsque les données proviennent du modèle plus général
BS
2(0
1,O
2 ; >"11, >"12; >"21, >"22),deux équations sont nécessaires pour estimer 01 et O2 par la méthode des moments.
L'identité cov(X1,
X
2 )=
0
1+
O
2 nous conduit à l'équation d'estimationà partir de laquelle un estimateur convergent de 0 = 01
+
O2 peut être déduit. Quandn -+ 00, la probabilité que Sn12
<
0 devient négligeable. S'il s'avère néanmoins queSn12
<
0, c'est vraisemblablement que le modèle (2.2) est plus approprié.2.4.2.1 Cas Sn12
>
0Afin d'estimer 01 et O2 sous la contrainte
ê
n1+ê
n2=
Sn12, on doit disposer d'une secondeéquation. Celle-ci peut être obtenue au moyen du résultat suivant.
COV(X1,X~)
cov(Xi
,
X
2 )(01 - O2)
+
2(>"21 - >"22)(01+
O2),(01 - O2)
+
2(>"11 - >"12)(01+
O2),Démonstration. Par définition, on a Xl
=
YI+
Yo et X 2=
Y2+
Yo, où Yo,Yi
,
Y2 sontdes variables aléatoires mutuellement indépendantes telles que Yo rv S(Ol, O2 ),
Par conséquent,
cov(Yo,
Ycn
+
2E(Y2)var(Yo)E(Y03)
+
{2E(Y2 ) - E(Yo)}var(Yo) - {E(Yo)}3.Ainsi l'expression souhaitée pour cov(X1,
Xi)
est donnée paret
Chapitre 2. La loi de Skellam bivariée 28
Les estimations des quantités cov(Xî, X2 ) et cov(XI, Xi) sont respectivement
don-nées par
et
Étant donné que ).nll - ).n12
=
X
nl et ).n21 - ).n22=
X
n2 , les estimateurs de (}l et (}2s'obtiennent en résolvant l'équation
et en tenant compte de la contrainte Snl2
=
ê
nl +ê
n2 . Les estimateurs possèdent doncune forme explicite, à savoir
Encore une fois, il découle de la loi des grands nombres que ces estimateurs sont
conver-gents. Notons que si l'un d'eux est négatif, on peut le poser égal à zéro.
2.4.2.2 Cas Snl2
<
0Tel que mentionné plus haut, s'il avère que Snl2 est négatif, il peut alors être préfé-rable de postuler un modèle de dépendance négative pour (Xl, X2 ), défini par (2.2).
Cela revient à supposer que (Xl, -X2 ) rv B2 ((}I, (}2; Àll' À12 ; À22' À21 ). Noter que dans
l'expression de la loi, les paramètres Àl2 et À22 ont été intervertis. Compte tenu de cette
situation, on peut facilement déduire de la proposition 2.4.1 que
cov(XI,xg) cov(Xî,X2)
((}l - (}2) - 2(À21 - À22 )((}1
+
(}2),((}2 - (}l) - 2(Àll - ÀI2 )((}1
+
(}2).Les estimateurs de ces paramètres sont obtenus en résolvant les équations suivantes:
Il vient
Chapitre 2. La loi de Skellam bivariée
2
9
(2.7)
Ici aussi, la convergence des estimateurs découle de la loi des grands nombres. Dans
Chapitre 3
Contribution principale
L'objectif principal de ce chapitre est d'étudier le comportement asymptotique des estimateurs des paramètres de dépendance des modèles de Skellam bivariés 8S1 et
8S2 . Le premier volet de ce chapitre est consacré à l'étude des lois asymptotiques des
estimateurs des moments des paramètres de dépendance des lois 8S1 et 8S2 identifiés
par Genest & Mesfioui (2014). Des expressions explicites des variances asymptotiques de ces estimateurs sont données. La vitesse à laquelle ces approximations deviennent valables est ensuite mesurée par voie de simulation.
Le deuxième volet du chapitre concerne l'étude des estimateurs à vraisemblance maximale des paramètres des lois 8S1 et 8S2 . Dans un premier temps, nous présentons
les équations normales qui conduisent à ces estimateurs. Nous montrons ensuite la convergence et la normalité asymptotique des estimateurs. Nous présentons en outre des résultats de simulation permettant de valider les formules de variances obtenues.
Ce chapitre est structuré comme suit. Les sections 3.1 et 3.2 décrivent le compo r-tement asymptotique des estimateurs des moments des paramètres de dépendance des modèles 8S1 et 8S2 . Les sections 3.3 et 3.4 montrent ensuite comment calculer les
estimateurs à vraisemblance maximale des paramètres de ces deux modèles. Puis, leur comportement asymptotique respectif est étudié dans les sections 3.5 et 3.6. Enfin, des comparaisons d'efficacité entre les estimations des moments et du maximum de vrai -semblance sont présentées à la section 3.7. Certains détails concernant le calcul de la variance limite des estimateurs à vraisemblance maximale des paramètres du modèle
Chapitre 3. Contribution principale 31
3.1
Loi asymptotique des estimateurs des moments
des paramètres du modèle
BS
1Le but de cette section est de déterminer la loi asymptotique de l'estimateur des moments du paramètre de dépendance
0
du modèle85
1(0;
),11, ),21; ),12, ),22). Pour cefaire, nous aurons recours au résultat suivant, qui énonce une version multivariée du
théorème central limite et la transformation de sa limite par la méthode Delta.
Proposition 3.1.1. Soit Xl, X2 , . . . une suite de vecteurs aléatoires mutuellement in-dépendants issus d'une loi en dimension d dont tous les moments d'ordre 2 sont finis.
Pour tout n E N, soit Xn
=
(Xl+
...
+
Xn ) ln. Soit en outre M=
E(Xn ). Alors il existeune matrice L; de taille d x d telle que, quand n -+ 00,
Soit en outre h : IRd -+ IRP une fonction dont la dérivée h' existe et est non nulle au point M. Alors, quand n -+ 00,
En utilisant ce résultat, nous pouvons établir la loi asymptotique de l'estimateur
des moments défini par l'équation (2.5).
Proposition 3.1.2. Soit (Xl, X 2), (X11 , X 12 ), (X21 , X 22 ), ... une suite d'observations
mutuellement indépendantes de loi
85
1 . Soitê
n l'estimateur des moments du paramètrede dépendance 0 d~fini par l'équation (2.5). Quand n -+ 00,
vin
(ê
n -0)
-+N(O
,
(JJ)
,
oùDémonstration. On peut supposer sans perte de généralité que E(Xi1)
=
E(Xi2)=
0, et que var(Xi l )=
var(Xi2 )=
1. Posons COV(Xi1 ,Xd
=
"(
et, pour tout i E N, Wi=
(Xi1,Xi2,Xi1Xi2)T. Pour tout n E N, soit en outreW
n=
(W1+
... +
Wn)ln.Il est clair que W1, W2 , . . . forment une suite de vecteurs mutuellement indépe n-dants de même loi dont tous les moments d'ordre 2 sont finis. Il découle donc de la
Chapitre 3. Contribution principale
32
où
r
=
(O,O,,)T etConsidérons ensuite une application h:]R3 -+]R définie, pour tout (XI,X2,X3) E ]R3, par h(XI, X2, X3)
=
X3 - XIX2. Alors h(())=
,
etoù
X
nl = (Xu+
... +
Xnl)/n etX
n2 = (X21+ ... +
X n2 )/n. En faisant appel à la proposition 3.1.1, on se convainc facilement que, quand n -+ 00,Pour déduire l'expression de la variance asymptotique
O"J,
il suffit de remplacer Xl l et X l2 par Xl - E(XI) !var(XI) dans l'expression de c2 . Il vient Il s'ensuit queO"ï
=
var(XIX 2)+
{E(XI)}2var(X2)+
{E(X2)}2var(XI)- 2E(XI)coV(X2, XIX 2) - 2E(X2)coV(XI, XIX 2)
+
2E(XI)E(X2)coV(XI , X2 ).Afin de simplifier cette expression, on peut exploiter le fait que puisque (Xl, X2 ) obéit à une loi de Skellam de première espèce, il existe des variables mutuellement indépendantes Yo, YI, Y2 telles que
Chapitre 3. Contribution principale
33
On trouve alors
De plus,
4var(Yo)E(Y1)E(Y2)
+
2E(Y03)E(Y1)- 2var(Yo)E(Yo)E(Y1) -
{E(Yo)
}3E(Y1)+
2E(YcnE(Y2) -2var(Yo)E(Yo)E(Y2)
- 2{E(Y
O)}3E(Y2) -
[var(Yo)+
{E(Yo)}2f+
E(Y04) - E(Yi)E(Y2)
+
E(Yo)E(Y1)+
E(Yo)E(Y2)
+
{E(Y02)}2
+
[var(YO)+
var(Yi)+
{E(Y
o)+
E(Yd
}2]X [var(YO)
+
var(Y2)+
{E(Y
o)+
E(Y2) }2],cov(X1, X1X2) = E(YO)var(Y1)
+
E(Yi)var(Yo)+
E(Y2)var(YO)+
E(Y2)var(Y1)+
E(Y0
3) -
E(Yo)var(Yo)+
{E(Y
O)}3
et, par symétrie,
cov(X
2 , X1X2)=
E(Yo)var(Y2)+
E(Y2)var(YO)+
E(Y1)var(YO)+
E(Y1)var(Y2)+
E(Ycn - E(Yo)var(Yo)+
{E(Y
O)}3.Or, sachant que Yo est une variable de Poisson de paramètre (j, on a
E(Yo)
=
var(Yo)=
(jet aussi
Faisant en outre appel au fait que
et
Àl l - À12' var(Xl l ) = Àl l
+
À12'À21 -
À22
'
var(X12)=
À21+
À22
E(Y1) Àl l - (j - À12' var(Yi)